肉是人类饮食的重要组成部分。联合国粮食及农业组织的报告显示,至2025年全球肉类产量预计将比基准期(2013～2015年)高出16%；至2050年,全球肉类产量预计增加2亿t,达到4.7亿t[1]。调查显示,消费者愿意为质量和安全得到保证的肉及肉制品支付更高的价钱[2]。因此,为满足消费者对肉类安全及品质的需求,应对肉类生产的整个过程进行监控,即对原材料到最终产品的品质和安全进行控制与分析[3]。
肉类工业中常涉及到肉类分级、肉类掺假鉴别、肉类腐败鉴定以及食用品质指标检测等工作。目前,肉的品质研究中主要应用感官分析和传统测定的方法对这些指标进行分析评估,如感官评定法测定肉类颜色、气味,沃-布茨法测定肉类嫩度等。但在工业中应用感官分析存在耗时、耗力、价格较高等问题,且结果的主观性较强[4]；传统的分析方法所测定的结果较为准确,但大多会涉及大量复杂的样品预处理,有时还会使用高危险性试剂；且这些传统的方法也不适合在肉类工业快节奏的生产和加工环境中应用[5]。近年来,无损检测鉴别技术得到了迅速发展,这为肉类品质的研究和鉴定提供了新的思路[6]。
目前,国内外在肉类品质检测、分级、鉴定等方面利用无损技术主要有电子鼻、电子舌、机器视觉、光谱学等。其中,计算机视觉、拉曼光谱和近红外光谱技术应用较为广泛。本文介绍了上述3种快速无损检测技术的研究进展,总结对比了其在研究领域和工业应用中的优缺点(表1),以期对快速无损检测技术在肉类工业中的应用和的研究提供理论指导。
表1 机器视觉、近红外和拉曼光谱技术的优缺点对比
Table 1 Comparison of computer vision system,near-infrared spectroscopy and Raman spectroscopy
技术名称操作原理优点缺点计算机视觉利用图像识别技术对肉品品质等指标进行检测和分级适合在线检测、准确性较高、客观稳定可检测指标较少,无法进行化学成分分析近红外光谱利用红外线在被检测物质中的透射、反射来检测其化学成分和物理指标快速、方便、无损并可实现远程分析数据分析较复杂,样品中水分含量对图谱结果有较大影响拉曼光谱利用激光在被测物质中的拉曼散射检测化学成分快速、方便、无损可用于含水物质检测光谱受被检测物质结构影响较大,需要大量的光谱数据建立数据库
1 计算机视觉系统技术
1.1 计算机视觉系统技术原理
计算机视觉系统(computer vision system,CVS)是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等的机器视觉,具有准确性高、结果客观稳定、适合在线检测等特点。CVS可通过几何、物理、统计和学习理论来构建模型[7],不仅可以获取图像或视频中的数字或符号信息,还可以自动提取和分析相关对象的高维数据信息[8],通过电子感知和分析图像代替人类视觉系统完成任务[9]。一个完整的CVS系统至少含有以下3个部分：摄像设备、专属照明室和图像处理软件。与人眼类似,CVS技术的应用也依赖周围环境的灯光效果,良好的照明条件可以提高其分析精度[10]。通过摄像设备捕捉二维图像并将数据传递到计算机中,再经过对图像的背景扣除、图像平滑、二值化、阈值化等处理可以获得所需的高质量图像信息。
1.2 计算机视觉技术在肉类分级中的应用
CVS技术具有快速、准确、无损、客观、无需样品处理等优点,并可与工厂在线操作结合,形成一套完整的线上分类分级系统,因此可以用于食品的无损、快速分级,以及缺陷检测和肉品品质指标(如肉色、形状、大小、表面缺陷和污染等)的评估[11]。与美国农业部1997年颁布的传统的基于人为感官评估的分级方法相比,CVS在肉类分级的过程中以数码相机代替人眼功能,以学习算法取代人脑思考；通过相机记录客观、一致的图像数据,利用学习算法将图像数据对应到适当的分类级别。
表2对CVS在肉类分级中研究的目标、使用的装置、数据的分析以及分析结果的准确度等进行了总结。CVS技术应用研究已涉及猪肉、牛肉和鸡肉多个肉类品种,研究的主要品质指标包括肉色、肌内脂肪含量(大理石花纹)、嫩度和背膘厚度,使用的数据分析方法主要有支持向量机(support vector machine,SVM)、线性回归、相似度检验和偏最小二乘回归(partial least squares regression,PLSR)。
表2 计算机视觉技术在肉类分级上的应用
Table 2 Application of computer vision system on meat grading
种类研究目标使用装置测量参数数据分析方法准确率参考文献牛肉肉色测量CMOS肉色相似度检验-[12]大理石花纹分级普通数码相机肌内脂肪含量k-NN81.59%[13]肉色、大理石花纹分级-肌内脂肪含量,表面质构,肉色PLSRR2=0.86[14]大理石花纹分级普通数码相机肌内脂肪含量k-NN76.14%[13]肉色测量CMOS肉色相似度检验-[12]嫩度分级普通数码相机剪切力Stepwise-MLR88.57%[15]猪肉预测肌内脂肪含量普通数码相机肌内脂肪含量SVM,线性回归75%,63%[16]肉色测量普通数码相机肉色线性回归,逐步回归R2=0.83,0.70[17]预测猪背膘厚度CCD背部脂肪厚度-93.5%[18]预测腰大肌质量CCD肉色,肌内脂肪值SVM,线性回归75%和92.5%[19]鸡肉肉色测量CMOS肉色相似度检验-[12]脂肪含量检测普通数码相机脂肪含量相关性分析火鸡腿肉R=0.81鸡胸肉R=0.50鸡腿肉R=-0.83[20]
注：-表示文献中未明确或不需要；CCD-电荷耦合元件(charge-coupled device)；CMOS-互补金属氧化物半导体(complementary-metal oxide semiconductor)；k-NN-邻近算法(k-nearest neighbor)(下同)
相较于传统分级方法,应用CVS技术对不同肉类肉色、肌内脂肪含量(大理石花纹)、表面质构等分级指标进行分级的优势体现在其具有快速、无损性、客观性和准确性,且结果准确率较高,尤其是对猪肉背膘厚度和腰大肌肌内脂肪含量的测定,准确率在90%以上。GIROLAMI等[12]对比研究了色差计和CVS技术在牛肉、猪肉、鸡肉肉色分级中的应用。结果表明,与传统色差计相比,CVS技术提取的数字图像与实际样品的颜色更加吻合(P<0.001),测定结果更准确[12]。JACKMAN等[14]利用CVS测定牛肉肉色、大理石花纹指标,与感官评价适口性数据相结合,结果表明CVS对牛肉感官指标具有良好的预测能力。其中表面质构的结果与感官评定数据最为接近,而大理石花纹预测结果较差。CHMIEL等[20]使用CVS技术提取了不同部位鸡肉(鸡胸肉和鸡腿肉)以及火鸡鸡腿肉图像,使用白色像素点来代表肌内脂肪,并结合传统索氏抽提法检测的脂肪含量进行了相关性分析。结果显示CVS可准确测定鸡腿肉和火鸡腿肉脂肪含量(相关系数R分别为0.81和0.83),但无法测定鸡胸肉脂肪含量(R=0.50)。这说明CVS在测定脂肪含量较低的肌肉时,由于肌肉和脂肪组织图像间的颜色变化较小,会导致计算机无法识别,进而降低结果的准确性,因此CVS技术更适合对脂肪含量较高的部位进行脂肪含量预测。由此可见,虽然与传统感官评定相比CVS在降低评估成本的同时减少了主观因素对评定结果的影响,但动物品种、肉类部位、数据处理方法的差异均会影响CVS技术对大理石花纹、肉色、脂肪含量等指标分类的准确性,选择适合的分类对象和数据处理方法至关重要。
1.3 计算机视觉在肉类分级中常用的分类算法
CVS对肉类质量评价的本质是进行分类,通过模拟人的思维,使机器做出正确而复杂的判断。利用图像处理技术,可以通过颜色、大小、形状和纹理等一系列特征来描述肉类图像。利用这些特征形成训练模型,然后利用分类算法提取模型信息,对未知情况进行决策。在CVS中,人们开发了多种方法,如邻近算法、SVM模型、人工神经网络等,用于肉的分类。
SVM是一种按监督的学习方式对数据进行分类的模型,它使用相关的学习算法评估用于分类和回归分析的数据。SVM是从线性可分情况下的最优分类面发展而来的,其通过用内积函数定义的非线性变换将输入空间变换成一个高维空间,在这个空间中求最优分类面(广义)[21]。目前SVM技术在肉类分级鉴别中得到广泛应用[19],常与CVS联用进行肉色、脂肪含量等指标的预测。与线性回归、逐步回归模型相比,SVM模型具有更好的稳定性和更高的准确度[16,18]。SUN及其团队近年来使用SVM等化学计量法对肉类快速分级进行研究[16]。结果表明,使用SVM模型对猪肉肉色、大理石花纹进行分级,准确率最高(75%和92.5%),其次是线性回归模型(63%和75%)和逐步回归模型(R2=0.70)。目前,CVS技术已具有足够的成熟度,图像信息获取装置等硬件的更新发展以及更加稳定准确的分类方法将进一步促进、优化CVS技术在肉类分级中的应用。
k-NN指的是在特征空间中,如果某个样本的k个最相邻样本中的大多数属于某一类别,则该样本也属于这个类别,并具有该类别中其他样本的特性[22]。BARBON等[13]开发了一种针对肉类大理石花纹分级的CVS技术,该系统利用k-NN对分割图像进行评分并分类,可以灵活地适应不同的分级标准。该方法对于大理石花纹评定分类仅需使用3个样本,极大地降低了所需要的样本数,但其准确率与SVM模型相比仍待提高。
2 近红外光谱技术
近红外光谱(near-infrared spectroscopy,NIR)是一种利用电磁波谱近红外区域(780～2 500 nm)进行光谱分析的方法。当样品受到近红外光照射时,样品分子会吸收部分近红外光辐射,并从基态跃迁到激发态,使照射光强度减弱。近红外光吸光度与波数(或波长)的变化曲线即近红外光谱图。由于不同官能团中包含不同的化学键(O—H、C—H、N—H,S—H键等),且这些含氢基团均对应特定的近红外光谱吸收峰,因此当近红外光照射到肉类时,肉类基本成分(例如水分、蛋白质、脂质等)的结构、组成差异会使光谱在特定波长上发生偏移[23]。应用化学计量学从近红外光谱中提取正确的信息,能够定性和定量地检测肉类化学成分,实现肉类鉴别、分类。
典型的近红外光谱仪体系包括辐射源、波长选择设备、样品架、光电探测器和处理数据的计算机系统。固体或不透明液体中的光散射、温度、密度和样品粒度的变化及光谱仪的光噪声等均会使近红外光谱发生一些变化,如基线偏移等,因此,通常应用降噪、基线校正、增强分辨率、中心化和归一化等预处理方法对光谱进行预处理,获取稳定优良的光谱数据。
2.1 近红外光谱技术结合化学计量法在肉类分级中的应用
近红外光谱可反映被检测物质的化学信息及官能团信息,常代替传统的检测方法,用于多种肉品品质指标的检测[24]。表3展示了近年来NIR技术应用于肉类分级的相关研究。NIR技术不仅可以准确测定牛肉、猪肉、鸡肉的肉色[24,34]、肌内脂肪含量[30]、蛋白质含量[31]等品质和营养指标[31],还可准确鉴别PSE(pale soft exudative)肉、DFD(dark，firm and dry)肉[25]和木质化鸡胸肉[33]；准确预测肉的新鲜度[28]、成熟时间和冻融次数[29]等。对近红外光谱数据进行分析时多使用PLSR和主成分分析(principal component analysis,PCA)相结合的方法,相关系数>0.8时表明预测准确度较高。
表3 近年来近红外光谱技术在肉类分级技术中的应用
Table 3 Near infrared spectrum application on meat grading in the recent years
种类研究目标测量参数数据分析方法准确率参考文献牛肉肉色测量L*值a*值b*值交叉验证R2=0.86R2=0.86R2=0.91[24]嫩度检测剪切力R2=0.35鉴别DFD异质肉pH值PLS>90% [25]检测牛肉成熟时间-PLS-DA94.2%～100%[26]检测新鲜度TVB-NTVCIPLS-GARc=0.903,Rp=0.920Rc=0.943, Rp=0.952[27]猪肉鉴别鲜肉和冻融肉-PCA,PLS-DA97.73%[29]大理石花纹分级肌内脂肪含量MLRR=0.55～0.87[30]检测营养品质肌内脂肪含量蛋白质含量水分含量PLSR2=0.852R2=0.821R2=0.832[31]鸡肉鉴别PSE肉L*值,pH值PCA,PLSRR2L*=0.91 R2pH=0.81[32]鉴别木质化鸡胸肉蛋白质,水分,灰分SVM分类准确率97.5%[33]预测品质指标L*值,pH值FA,PLSRR2F1=0.73,R2F2=0.74[34]鉴别鸡肉品种肉色,蛋白质,脂肪和水分含量PLS-DA准确率90%[35]
注：PLS：偏最小二乘法(partial least squares)；FA：因子分析(factor analysis)；PLS-DA：偏最小二乘判别分析(partial least squares discriminant analysis)；MSIF：多传感器信息融合(multisensor information fusion)；MLR：多元线性回归(multiple linear regression)；TVB-N：挥发性盐基氮(total volatile base nitrogen)；TVC：菌落总数(total viable count),TBA：硫代巴比妥酸(thiobarbituric acid)(下同)
pH值是鉴定异质肉的重要指标,也是衡量肉类品质的基础指标。REIS等[25]、BARBIN等[32]将NIR与PLSR相结合,分别对牛肉、鸡肉等肉类的宰后极限pH值进行了预测分类。结果表明NIR与PLSR结合创建的拟合模型不仅可以准确将牛背最长肌分类为正常pH值组(pHu<5.8)和高pH值组(pHu>5.8)[25],还可以对pH值进行准确预测(R>0.9)。
肉色是评估肉类最直观的指标,也是影响消费者对肉类购买欲最直接的指标。PRIETO等[24]、BARBIN等[32]以及YANG等[34]利用NIR对不同品种肉类的肉色进行了预测。YANG等[34]的研究中利用了因子分析的方法,以肉色(L*,a*,b*)指标为基础定义了一种新的指标——肉色因子,NIR可较准确地对肉色因子进行预测(R2=0.74)。
脂肪、蛋白质等营养物质是影响肉类风味的重要因素。目前的研究中,NIR模型对营养品质指标预测[30-31]呈现良好的预测精度(R2>0.8),且经过一阶导和多元散射校正(multiplicative scatter correction,MSC)处理地光谱数据在预测肉类营养品质时预测精度更高[31]。此外,近红外高光谱成像技术结合多元线性回归法可较准确地预测肌内脂肪含量以及大理石花纹评分,数据间具有良好的线性关系[30]。
除测定肉类品质外,NIR技术还可以对异常肉进行鉴别分类,包括鉴别腐败肉[27-28]、冻融肉[29]、DFD肉[25]、PSE肉[32]以及木质化鸡肉[33]等。挥发性盐基氮、硫代巴比妥酸反应物、菌落总数是衡量肉类腐败变质的重要指标,近红外光谱结合多传感器信息融合的建模方法,可准确鉴别腐败猪肉(RTVB-N=0.86,RpH=0.94)[28]；结合PCA建立预测模型可准确鉴别冻融猪肉(准确率97.73%)[29]。木质硬度缺陷鸡肉是一种主要发生在鸡胸肉上的品质缺陷肉,与正常鸡肉相比,缺陷肉颜色苍白,触感硬度较大,食用品质和消费者接受度也远低于正常肉。NIR技术结合图像分析和SVM分类模型可准确将木质硬度缺陷鸡胸肉与正常鸡胸肉进行分类(准确率97.5%)[33],为木质硬度缺陷鸡肉的在线快速检测提供了可能。
但由于水分含量会对NIR数据产生干扰,而肉类的蒸煮损失率与其保水性有关,因此NIR几乎无法对牛肉的嫩度、蒸煮损失以及感官评分指标进行预测,预测相关系数R2仅为0.21～0.59[24]。同时,在烹饪过程中融化的脂肪会包裹在结缔组织周围形成屏障阻止水分流失,进一步影响了近红外光谱对蒸煮损失的预测准确度(R2=0.31)。因此,NIR技术并不适用于嫩度、蒸煮损失和感官评分指标的预测。
2.2 近红外光谱在肉类研究中常用的化学计量法
NIR数据噪声较大,而在肉类分级鉴定时,噪声会对变量间的相关性造成不良影响。因此可通过化学计量学方法处理光谱,去除光谱噪声,进而提高分类预测模型的准确度,更好地获取有关物质的成分、结构及其他相关信息。光谱预处理中最重要的2种化学计量学方法是多元校正和多元分类[36]。多元校正旨在确定2组测量数据间的定量关系,即建立光谱数据与传统指标间的联系。应用多元矫正处理后的模型结合样本光谱可精确预测未知样本中的目标参数,从而取代传统的评价分析方法[37]。多元校正模型的准确度主要取决于校正时使用的样本数量,多数情况下模型准确性会随样本数量的增加而增加[38]。多元分类旨在对数据进行定性分类,通过大量的样本组成训练集并以此建立数学模型,进而对待测样本数据进行分类。常用的多元分类包括多元判别分析、线性判别分析、PCA、PLS等。
偏最小二乘法系列(PLS family)是化学计量学中运用最广泛的方法(表3),包括PLS、PLSR和PLS-DA等。偏最小二乘系列结合NIR在肉类分级鉴别中应用广泛[25-26,31-32,34],该系列化学计量法的应用可降低光谱数据的噪声、分析光谱数据和传统指标数据的相关性同时提升预测模型的稳定性和准确度。
PCA是指通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的变量被称为主成分(PCs),即去除关系紧密的重复变量,建立尽可能少的不相关新变量。PCA主要用于探索性数据分析和分类模型建立,是最简单的基于特征向量的多元分析方法。PCA在肉品分级、分类、鉴定中的应用较为成熟[29,32],通常情况下单次使用PCA即可将样本按照光谱特征进行准确分类,不需要进行复杂的数据分析。但当样本特征相关性较为复杂时,准确率会降低。例如,在对PSE肉进行筛选时,PCA在对光谱数据主要以L*值作为变量进行分类,因此无法区分PSE肉与颜色苍白但pH值正常的肉[32]；同时,由于PCA无法对样本数据组进行组间差异统计和分析,会混淆原本的数据结构,因此PCA仅可以将鲜肉样本和冻融1次的样本进行分类,无法准确判别新鲜肉、冻融1次和冻融2次的样品[29]。
综上所述,NIR技术在肉类分级、鉴定及指标检测方面均具有较高准确率,且与传统检测方式相比效率高、成本低、操作简便,因此极有潜力成为肉类工业检测分级的线上手段。但仍需要进一步研究来提高NIR在工业工艺条件下的稳定性和准确性。
3 拉曼光谱技术
3.1 拉曼光谱技术原理
拉曼光谱技术是一种基于拉曼散射效应而建立的光谱分析技术。样品被激光照射后,大部分光以与入射光相同的频率发生散射(瑞利散射),少量入射光的频率(<10-6)发生改变,即拉曼散射[39]。拉曼光谱中拉曼位移、强度的变化与被测样品中分子单个化学键的各种拉伸、弯曲、振动模式一一对应[40],因此又被称为结构指纹图谱。拉曼光谱中不同拉曼位移条带分别对应不同氨基酸、脂质的不同官能团,拉曼强度的变化对应官能团的改变。因此拉曼光谱可用于检测蛋白质二级结构的变化,并提供氨基酸残基的信息。例如510～545 cm-1(半胱氨酸),829 cm-1(苯丙氨酸、亮氨酸、缬氨酸),856 cm-1(谷氨酸、丙氨酸、缬氨酸、赖氨酸),879 cm-1(谷氨酸、赖氨酸),1082、1126 cm-1(脂质),1 247～1 304 cm-1(β-折叠和α-螺旋)。通过拉曼光谱可以获取样本中蛋白质、脂质等成分的组成、结构信息,这对于深度研究待测样本中各类生化反应的反应机理具有重要意义[41]。
3.2 拉曼光谱技术结合化学计量法在肉类分级鉴定中的应用
近年来,拉曼光谱广泛应用于肉类研究中,如检测胴体宰后初期生理变化、预测肉类品质指标、预测肉品货架期及鉴别掺假等(表4)。如前文所述,拉曼光谱中不同的特征峰对应着不同的蛋白质、脂质结构信息,因此可通过分析不同样本拉曼光谱间的差异对样本的蛋白质、脂质、水分等指标进行预测,从而达到样本牛月龄分级[43],样本嫩度分级[42],部位肉分类[43]、牛肉掺假鉴别[44]、冻融肉鉴别[45]和腐败肉鉴别[46]等目的。
表4 拉曼光谱技术在肉类分级技术上的应用
Table 4 Application of Raman Spectrum on meat grading
种类研究目标测量参数数据分析方法准确度参考文献牛肉嫩度分级剪切力PLS-DA70 88%,59 80%[42]鉴别不同月龄和不同部位肌肉肌内脂肪含量,水分含量,蛋白质含量PLS-DA月龄:94.5%部位:86.7%[43]鉴别马肉掺假光谱分析PCA96.32%[44]鉴别冻融肉PV,TBA,AV-P<0.01[45]猪肉鉴别生鲜,腐败肉TVCPCA-[46]预测pH值pH值SNVR2=0.97[47]检测品质指标pH值,肌内脂肪含量,贮藏损失PLSRR2=0.49～0.73[48]鸡肉鸡胸肉分类保水性,生长率-P<0.05[49]鉴别鸡肉掺假牛肉光谱分析PLSR2c=0.999 4,R2p=0.971 6[50]
注：“-”表示文献中未明确或不需要；SNV-标准正态变换(standard normal variate)；PV-过氧化值(peroxide value),AV-酸度值(acid value)。
通过各特征峰间拉曼强度的差异不仅可以对肉的嫩度进行分级,还可以揭示与嫩度相关的各官能团间的差异。如与嫩度好的牛肉相比,嫩度差的牛肉在α-螺旋蛋白(906、935、1 312、1 447、1 650 cm-1)、肌红蛋白(714、755、885、999、1 126、1 340、1 540 cm-1)和芳香氨基酸侧链(尤其是色氨酸759、1 009、1 336、1 353、1 550 cm-1)处的拉曼特征峰信号明显增强,而酪氨酸双带(825、855 cm-1)几乎没有变化[42]。同时,由于不同品种的肉类特征峰不同,拉曼光谱还可准确鉴别肉品掺假。BOYACI等[44]应用拉曼光谱准确鉴别了牛肉中掺杂的马肉(马肉含量25%、50%、75%),同时证实了马肉和牛肉的拉曼光谱中相同条带内的特征峰强度存在差异(555、678、815、1 032、1 265、1 392、1 611、1 706 cm-1),且马肉脂肪含有独有的特定条带(919、974、1 215 cm-1)。
拉曼光谱还可用来测定常规氧化指标,如过氧化值、硫代巴比妥酸反应物质、酸值(P<0.01)[45]。牛肉经反复冻融后PV、TBA、AV均显著升高(P<0.05),随着冻融循环次数的增加,970和1 080 cm-1(与饱和脂肪酸呈负相关)条带的拉曼强度呈下降趋势,1 068和1 125 cm-1条带(与饱和脂肪酸呈正相关)的拉曼强度呈上升趋势,这说明随着冻融循环次数的增加脂肪酸饱和度会逐步上升。1 655 cm-1(C
C拉伸,与脂肪酸不饱和度有关)条带拉曼强度明显下降,说明脂质氧化过程降低了脂质中的总不饱和度,从而降低了其拉曼光谱中的CC信号强度。
SOWOIDNICH等[46]将拉曼光谱与PCA技术结合,准确鉴别出贮藏第7天菌落总数超过106 CFU/cm2的腐败猪肉样。研究表明,随着猪肉贮藏期的延长,色氨酸(755、1 551 cm-1)、酪氨酸(826、855 cm-1)、苯丙氨酸(1 205 cm-1)、C—H弯曲振动(1 340、1 446 cm-1)、蛋白质骨架(1 126 cm-1)等相关条带,以及构象敏感带：酰胺I带(1 651 cm-1)、C—C伸缩振动相关条带(902、935 cm-1)的特征峰信号强度发生了变化。与SCHMIDT等[39]的研究结果一致,即随着贮藏时间增加,α-螺旋蛋白结构含量减少,β-折叠以及无序二级结构增加。PHONGPA-NGAN等[49]以鸡胸肉为样本,研究表明拉曼光谱可以准确地将肉鸡分类为低生长率肉鸡(增重250克/周)和高生长率肉鸡(299克/周)；鸡胸肉也可准确的被分为低保水性鸡肉(4.08 g/100 g)和高保水性鸡肉(89.26 g/100 g)。
拉曼光谱在肉类研究中应用较为广泛,结合不同化学计量学方法建立的预测模型稳定性准确度也较高,但目前仍存在以下问题：(1)不同物种的肉品具有其独一无二的拉曼光谱,在工业化应用前需要建立大量数据库并与各项指标进行相关性分析；(2)目前,拉曼光谱技术在肉品中的应用仍处于科研摸索阶段,对肉品进行分级、品质预测时准确性(R2)差异较大,需结合化学计量学方法及优化扫描参数来提高其准确率稳定性。但拉曼光谱快速、安全、无损的特点使其在食品工业在线应用领域存在极大潜力。
3.3 拉曼光谱在肉类研究中常用到的化学计量法
拉曼光谱技术应用于肉类分级鉴定时,同样存在光谱数据噪声较大的问题。通过化学计量学方法对拉曼光谱进行预处理可以去除光谱噪声进而提高预测模型的准确率。PLS是化学计量学中最常用的方法,且具有广泛的适应性,但在一些研究中,以PLS对拉曼光谱进行预处理后得到的预测结果仍存在较大偏差,其原因可能是：PLS模型的过度拟合[39]；蛋白质在肉类成熟期间降解,导致氨基酸条带位置发生变化,从而影响光谱与蛋白质含量的相关性[40]；光谱预处理方法选择不当[43]；传统方法测定指标时误差较大或没有剔除光谱异常值[46]。因此在建立拟合模型的过程中应：保证光谱数据的稳定,必要时剔除异常值光谱；对比选择最优预处理方法去除噪声；防止过度拟合；尽量避免实验时间过长,减少肉类样品发生生理变化的可能性。
另一种常用的预处理方法是PCA。学者分别利用PCA结合拉曼光谱技术准确地对肉类样品进行了掺假鉴定和新鲜度鉴定。在掺假肉鉴别的实验中,主成分载荷图显示有8个差异聚类,分别代表了马肉和牛肉拉曼光谱中的差异条带[44]。因此可通过PCA提取不同肉类的拉曼光谱差异条带,从而对未知来源的肉类进行分类或掺假鉴别。在肉类新鲜度鉴定的实验中,主成分载荷图以贮藏第7天的猪肉拉曼光谱图为分界线(菌落总数未超过106 CFU/cm2的腐败限)准确地将拉曼光谱分为了2个聚类(贮藏时间1～7 d和贮藏时间7 d以上)[46]。证实了拉曼光谱结合PCA技术鉴别腐败肉的潜力。
4 结语
电子技术的发展推动肉类工业发展了一大步,产品品质更加满足消费者的需求。在本文综述的3种技术中各有优缺点：CVS技术主要应用于肉色、脂肪含量预测和分级,这2种指标可以通过简单的模型来进行分类。但是不同部位肉、不同分类模型对预测的准确度有较大影响,要想提高分级准确率,不但需要选择适合的分析对象,且针对分类指标使用合适的分类模型也很重要。NIR和拉曼光谱是2种典型的光谱技术,几乎可以应用于肉类工业的各个方面。但是肉类本身的复杂性意味着其光谱不像纯物质光谱一样典型,往往都有较大的噪声,这成为影响光谱预测模型准确性的重要因素。化学计量学方法对光谱分析具有重要意义,选用科学合理的化学计量学方法有利于消除噪声影响,提高预测模型的准确度。
总体而言,这3种技术目前皆处于科学研究阶段,几乎没有结合肉类工业实际应用的实例。但是,作为肉类品质的快速分级鉴定技术,本文综述的3种技术有着巨大的潜力。在未来,这些无损检测技术将广泛应用于实验室、食品工业的生产线上各项指标的无损检测,准确的肉类分类、分级及肉类品质的准确鉴定已不再遥不可及。
[1] FAO.(2009).How to Feed the World in 2050.Insights from an Expert Meeting at FAO,2050(1),1-35[EB/OL].[2009-10-12]http://www.fao.org/wsfs/forum2050/wsfs-forum/en/
[2] KEALESITSE B,KABAMA I.Exploring the influence of quality and safety on consumers’food purchase decisions in botswana[J].International Journal of Business Administration,2012,3(2):90-97.
[3] BORR
S E,FERRÉ J,BOQUÉ R,et al.Data fusion methodologies for food and beverage authentication and quality assessment-A review[J].Analytica Chimica Acta,2015,891:1-14.
[4] BANERJEE R,TUDU B,BANDYOPADHYAY R,et al.A review on combined odor and taste sensor systems[J].Journal of Food Engineering,2016,190:10-21.
[5] HUANG L X,LIU H R,ZHANG B,et al.Application of electronic nose with multivariate analysis and sensor selection for botanical origin identification and quality determination of honey[J].Food and Bioprocess Technology,2015,8(2):359-370.
[6] GERRARD D E,MILLS E W,FORREST J C,et al.Principles of Meat Science[M].5 ed,Amsterdam:Elsevier,2012.
[7] FORSYTH D,PONCE J.Computer Vision:A Modern Approach.(Second edition)[M].Upper Saddle River:Prentice Hall,2012.
[8] KLETTE R.Image analysis,Undergraduate Topics in Computer Science[M].London:Springer London,2014.
[9] HUANG T.Computer vision:Evolution and Promise[M].Imaging Science and Technology,Evolution and Promise,International Conference on High Technology,1996.
[10] 
P,DYMERSKI T,et al.Food analysis using artificial senses[J].Journal of Agricultural and Food Chemistry,2014,62(7):1 423-1 428.
[11] MA J,SUN D W,QU J H,et al.Applications of computer vision for assessing quality of agri-food products:A review of recent research advances[J].Critical Reviews in Food Science and Nutrition,2016,56(1):113-127.
[12] GIROLAMI A,NAPOLITANO F,FARAONE D,et al.Measurement of meat color using a computer vision system[J].Meat Science,2013,93(1):111-118.
[13] BARBON A P,BARBON S,CAMPOS G,et al.Development of a flexible computer vision system for marbling classification[J].Computers and Electronics in Agriculture,2017,142:536-544.
[14] JACKMAN P,SUN D W,ALLEN P,et al.Correlation of consumer assessment of longissimus dorsi beef palatability with image colour,marbling and surface texture features[J].Meat Science,2010,84(3):564-568.
[15] 陈士进,丁冬,李泊,等.基于机器视觉的牛肉结缔组织特征和嫩度关系研究[J].南京农业大学学报,2016,39(5):865-871.
CHEN S J,DING D,LI B,et al.Research on relationship between beef connective tissue features and tenderness by computer vision technology[J].Journal of Nanjing Agricultural University,2016,39(5):865-871.
[16] LIU J H,SUN X,YOUNG J M,et al.Predicting pork loin intramuscular fat using computer vision system[J].Meat Science,2018,143:18-23.
[17] SUN X,YOUNG J,LIU J H,et al.Prediction of pork color attributes using computer vision system[J].Meat Science,2016,113:62-64.
[18] 李青, 彭彦昆.基于机器视觉的猪胴体背膘厚度在线检测技术[J].农业工程学报,2015,31(18):256-261.
LI Q,PENG Y K.Pork backfat thickness on-line detection methods using machine vision[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(18):256-261.
[19] SUN X,YOUNG J,LIU J H,et al.Prediction of pork loin quality using online computer vision system and artificial intelligence model[J].Meat Science,2018,140:72-77.
[20] CHMIEL 
M,DASIEWICZ K.Application of computer vision systems for estimation of fat content in poultry meat[J].Food Control,2011,22(8):1 424-1 427.
[21] 张学工. 关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.
ZHANG X G.Introduction to statistical learning theory and support vector machines[J].Acta Automatica Sinica,2000,26(1):32-42.
[22] COVER T M,HART P E.Nearest neighbor pattern classification[J].IEEE Transactions on Information Theory,1967,13(1):21-27.
[23] BLANCO M,VILLARROYA I.NIR spectroscopy:a rapid-response analytical tool[J].TrAC Trends in Analytical Chemistry,2002,21(4):240-250.
[24] PRIETO N,ROSS D W,NAVAJAS E A,et al.On-line application of visible and near infrared reflectance spectroscopy to predict chemical-physical and sensory characteristics of beef quality[J].Meat Science,2009,83(1):96-103.
[25] REIS M M,ROSENVOLD K.Early on-line classification of beef carcasses based on ultimate pH by near infrared spectroscopy[J].Meat Science,2014,96:862-869.
[26] MORAN L,ANDRÉS S,ALLEN P,et al.Visible and near infrared spectroscopy as an authentication tool:Preliminary investigation of the prediction of the ageing time of beef steaks[J].Meat Science,2018,142:52-58.
[27] 马世榜, 徐杨,汤修映,等.利用可见近红外光谱多指标综合预测生鲜牛肉储存期[J].光谱学与光谱分析,2012,32(12):3 242-3 246.
MA S B,XU Y,TANG X Y,et al.Prediction of storage time of fresh beef with multi-index using visible and near-infrared spectroscopy[J].Spectroscopy and Spectral Analysis,2012,32(12):3 242-3 246.
[28] QU F F,REN D,HE Y,et al.Predicting pork freshness using multi-index statistical information fusion method based on near infrared spectroscopy[J].Meat Science,2018,146:59-67.
[29] MA J,PU H B,SUN D W,et al.Application of Vis-NIR hyperspectral imaging in classification between fresh and frozen-thawed pork Longissimus Dorsi muscles[J].International Journal of Refrigeration,2015,50:10-18.
[30] HUANG H,LIU L,NGADI M O.Prediction of pork fat attributes using NIR Images of frozen and thawed pork[J].Meat Science,2016,119:51-61.
[31] LIAO Y T,FAN Y X,CHENG F.On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J].Meat Science,2010,86(4):901-907.
[32] BARBIN D F,KAMINISHIKAWAHARA C M,SOARES A L,et al.Prediction of chicken quality attributes by near infrared spectroscopy[J].Food Chemistry,2015,168:554-560.
[33] GERONIMO B C,MASTELINI S M,CARVALHO R H,et al.Computer vision system and near-infrared spectroscopy for identification and classification of chicken with wooden breast,and physicochemical and technological characterization[J].Infrared Physics & Technology,2019,96:303-310.
[34] YANG Y,ZHUANG H,YOON S C,et al.Quality assessment of intact chicken breast fillets using factor analysis with vis/NIR spectroscopy[J].Food Analytical Methods,2018,11(5):1 356-1 366.
[35] 龚艳, 汤晓艳,王敏,等.近红外光谱法对鸡肉品种的快速无损鉴别[J].食品科学,2015,36(16):148-152.
GONG Y,TANG X Y,WANG M,et al.Rapid and nondestructive identification of chicken breeds by near infrared spectroscopy[J].Food Science,2015,36(16):148-152.
[36] MARK H.Chemometrics in near-infrared spectroscopy[J].Analytica Chimica Acta,1989,223:75-93.
[37] BLANCO ROM
A M,ALCAL
BERNRDEZ M.Multivariate calibration for quantitative analysis.Infrared Spectroscopy for Food Quality Analysis and Control.[M] Amsterdam:Elsevier,2009.
[38] ZIEGEL E.A user-friendly guide to multivariate calibration and classification[J].Technometrics,2004,46(1):108-110.
[39] SCHMIDT H,SCHEIER R,HOPKINS D.Preliminary investigation on the relationship of Raman spectra of sheep meat with shear force and cooking loss[J].Meat Science,2013,93(1):138-143.
[40] LI-CHAN E C Y.The applications of Raman spectroscopy in food science[J].Trends in Food Science & Technology,1996,7(11):361-370.
[41] PALLONE J A L,CARAM
S E T D S,ALAMAR P D.Green analytical chemistry applied in food analysis:Alternative techniques[J].Current Opinion in Food Science,2018,22:115-121.
[42] BAUER A,SCHEIER R,EBERLE T,et al.Assessment of tenderness of aged bovine gluteus medius muscles using Raman spectroscopy[J].Meat Science,2016,115:27-33.
[43] NIAN Y Q,ZHAO M,O’DONNELL C P,et al.Assessment of physico-chemical traits related to eating quality of young dairy bull beef at different ageing times using Raman spectroscopy and chemometrics[J].Food Research International,2017,99(Part 1):778-789.
[44] BOYAC
I H,TEMIZ H T,UYSAL R S,et al.A novel method for discrimination of beef and horsemeat using raman spectroscopy[J].Food Chemistry,2014,148:37-41.
[45] CHEN Q M,XIE Y P,XI J Z,et al.Characterization of lipid oxidation process of beef during repeated freeze-thaw by electron spin resonance technology and Raman spectroscopy[J].Food Chemistry,2018,243:58-64.
[46] SOWOIDNICH K,SCHMIDT H,KRONFELDT H D,et al.A portable 671 nm Raman sensor system for rapid meat spoilage identification[J].Vibrational Spectroscopy,2012,62:70-76.
[47] NACHE M,SCHEIER R,SCHMIDT H,et al.Non-invasive lactate-and pH-monitoring in porcine meat using Raman spectroscopy and chemometrics[J].Chemometrics and Intelligent Laboratory Systems,2015,142:197-205.
[48] ANDERSEN P V,WOLD J P,GJERLAUG-ENGER E,et al.Predicting post-mortem meat quality in porcine longissimus lumborum using Raman,near infrared and fluorescence spectroscopy[J].Meat Science,2018,145:94-100.
[49] PHONGPA-NGAN P,AGGREY S E,MULLIGAN J H,et al.Raman spectroscopy to assess water holding capacity in muscle from fast and slow growing broilers[J].LWT-Food Science and Technology,2014,57(2):696-700.
[50] 周亚玲. 基于拉曼光谱技术的掺鸡肉牛肉馅快速判别方法[J].肉类研究,2018,32(5):26-29.
ZHOU Y L.Rapid discrimination of minced beef adulterated with chicken using raman spectroscopy[J].Meat Research,2018,32(5):26-29.